Wat zijn LLM's? Zo werken grote taalmodellen (2026)

Een LLM, of Large Language Model, is een groot taalmodel dat tokens of tokenreeksen verwerkt en voorspelt. Een encoder-LLM kan representaties maken of gemaskeerde tokens voorspellen; een generatief decoder-LLM maakt nieuwe tekst met vervolgtokenvoorspelling. Vloeiende uitvoer is geen garantie voor juistheid of menselijk begrip.

LLM betekent Large Language Model

Een language model kent waarschijnlijkheden toe aan taalreeksen. Large verwijst primair naar een zeer hoog aantal parameters, zonder één universele numerieke grens. Zo'n model is vaak getraind op een groot tekstcorpus, maar brede toepasbaarheid is geen vereiste: er bestaan ook taalmodellen voor een specifiek domein.

Google omschrijft in de LLM-module een groot taalmodel als een model dat tokens of tokenreeksen voorspelt en voor moderne toepassingen meestal een Transformer-architectuur gebruikt. Een token kan een woord, woorddeel of teken zijn. Bij multimodale systemen kunnen ook beeld- of andere invoereenheden als tokens worden verwerkt.

Een LLM is een vorm van machine learning en valt binnen het bredere begrip kunstmatige intelligentie. Niet ieder AI-systeem is een LLM: een fraudedetector, aanbevelingsmodel of beeldsegmentatiemodel kan een heel andere architectuur en uitvoer hebben.

Model, chatbot en volledig systeem

Een taalmodel is niet hetzelfde als het product waarin je ermee praat:

Laag	Functie	Voorbeeld van een verandering
Model	Verwerkt tokens en maakt modeluitvoer	Nieuwe modelversie of afstemming
Systeemprompt	Geeft vaste product- of organisatieregels	Andere rol, grenzen of uitvoerstructuur
Context	Bevat gesprek, documenten en toolresultaten	Nieuw bestand of langer gesprek
Tools	Zoeken, rekenen, code uitvoeren of een actie starten	Extra bron of gekoppelde app
Interface	Regelt invoer, weergave, account en instellingen	Nieuwe knop of bestandsfunctie
Menselijk proces	Controle, goedkeuring en herstel	Andere beoordelaar of stopregel

ChatGPT, Claude en Gemini zijn productnamen. Zo'n product kan verschillende modellen gebruiken en functies toevoegen die niet uit het taalmodel zelf komen. Noteer bij een belangrijke controle daarom product, modelvariant, gebruikte tools, instellingen en datum.

Hoe maakt een LLM tekst?

Tokens in plaats van zinnen

Een tokenizer zet invoer om in tokens. Een generatief decoder-LLM verwerkt de tokenreeks en berekent een verdeling over mogelijke vervolgtokens. Na de keuze van een token wordt dat proces herhaald totdat de uitvoer klaar is of een grens wordt bereikt.

Volgende token voorspellen klinkt eenvoudig, maar een model met veel parameters en lagen kan daarbij complexe statistische patronen in taal toepassen. Dat maakt samenhangende uitvoer mogelijk zonder dat ieder gegenereerd feit uit een database wordt opgehaald.

Transformers en attention

Transformers gebruiken attention om voor iedere positie te wegen welke andere tokens in de context relevant zijn. Meerdere attention-lagen bouwen tussenrepresentaties op van onder meer woordgebruik, structuur en relaties in de invoer.

Attention is geen menselijk aandachtssysteem en de interne representatie is geen bronverwijzing. Een model kan een overtuigende relatie produceren die feitelijk niet door een externe bron wordt ondersteund.

Contextvenster als werkruimte

Het contextvenster omvat de tokens die het model in een verwerking kan meenemen, inclusief instructies, berichten, documenten, toolresultaten en de nieuwe uitvoer. Anthropic noemt dit in de uitleg over contextvensters de werkruimte van het model, onderscheiden van de veel grotere trainingsverzameling.

Een groter venster maakt langere invoer mogelijk, maar meer context is niet automatisch beter. Dubbele, verouderde of tegenstrijdige tekst kan selectie en controle lastiger maken. Geef alleen relevante versies mee en toets of de cruciale passage werkelijk in de uitkomst terugkomt.

Hoe wordt een LLM getraind?

Leveranciers gebruiken verschillende datasets, trainingsdoelen en veiligheidsprocessen. Een vereenvoudigd technisch overzicht bevat vaak deze fasen:

Pre-training: het model leert taalpatronen door ontbrekende of volgende tokens in grote datasets te voorspellen.
Instruction tuning: voorbeelden van instructies en gewenste antwoorden helpen het model opdrachten volgen.
Verdere afstemming: aanvullende training of feedback kan gedrag voor specifieke taken of grenzen beïnvloeden.
Evaluatie: ontwikkelaars testen kwaliteit, veiligheid en bekende foutcategorieën.
Inzet en monitoring: het model wordt onderdeel van een product en krijgt productregels, tools en operationele controles.

Fine-tuning verandert parameters met taakgerichte voorbeelden. Prompting geeft bij inference instructies en voorbeelden mee zonder de modelparameters daardoor direct te wijzigen. Google's uitleg over fine-tuning en prompting behandelt dat verschil.

De exacte trainingsdata van een model is niet automatisch volledig openbaar. Zeg daarom niet dat een specifiek antwoord uit één trainingsdocument komt, tenzij de leverancier of een opgehaalde bron dat aantoonbaar maakt.

Search, RAG en tools zijn aanvullende systemen

Een taalmodel kan met extra systemen informatie of acties buiten de modelparameters gebruiken:

Search: zoekt actuele of relevante webbronnen;
retrieval: haalt fragmenten uit een gekozen documentenverzameling;
RAG: geeft opgehaalde informatie als context voor de generatie;
code-uitvoering: rekent of verwerkt bestanden in een uitvoeromgeving;
toolgebruik: roept een externe functie, API of app aan.

De Google Generative AI glossary beschrijft RAG als grounding met na training opgehaalde kennis. Grounding kan de brontrouw verbeteren, maar bewijst niet dat de gekozen bron klopt of dat het model de passage juist heeft samengevat.

Controleer daarom afzonderlijk:

welke bron of tool is gebruikt;
welke exacte passage, data of berekening relevant is;
of de uitvoer dezelfde reikwijdte en voorwaarden houdt;
of een externe actie echt is uitgevoerd;
of je de uitkomst kunt reproduceren en herstellen.

Wat kan een LLM goed?

Een LLM kan nuttig zijn bij taken met taalpatronen en duidelijke controle:

een concept structureren of herschrijven;
tekst volgens vaste labels classificeren;
een document samenvatten met bronpassages;
informatie uit een vast formaat halen;
code uitleggen of een wijziging voorstellen;
voorbeelden, vragen of testgevallen genereren;
tekst tussen talen omzetten en daarna laten beoordelen.

De kwaliteit verschilt per taak, taal, bron, modelversie en productinstelling. Gebruik geen algemene modelranglijst als bewijs voor jouw proces. Test representatieve voorbeelden met vooraf bepaalde acceptatiecriteria.

Waar gaat het mis?

NIST noemt in het Generative AI Profile onder meer confabulatie, gegevensprivacy, schadelijke bias, informatie-integriteit, informatiebeveiliging en intellectueel eigendom als risicogebieden.

Praktische beperkingen zijn:

een model kan een niet-bestaande bron of onjuiste claim formuleren;
een bron kan bestaan maar de claim niet ondersteunen;
een berekening kan een verkeerd bereik, eenheid of aanname gebruiken;
lange context kan relevante en irrelevante informatie mengen;
trainingskennis kan verouderd of onvolledig zijn;
toolrechten kunnen te ruim staan;
promptinstructies uit een document kunnen botsen met het doel;
dezelfde vraag kan door generatie verschillende uitkomsten geven.

Lees AI-hallucinaties herkennen om claims en bronnen afzonderlijk te controleren. Gebruik goede prompts maken om doel, bron, uitvoer en grenzen vooraf vast te leggen.

Stappenplan: gebruik een LLM controleerbaar

Stap 1: kies een afgebakende taak

Beschrijf invoer, gewenste uitvoer en beslisregel. Begin bijvoorbeeld met maak een conceptsamenvatting met een bronpassage per kernclaim, niet met een onbeperkte opdracht over een heel dossier.

Stap 2: selecteer toegestane bronnen en gegevens

Verwijder onnodige persoonsgegevens en geheimen. Controleer accountinstellingen, bewaarbeleid en of documenten met de gekozen dienst mogen worden verwerkt.

Stap 3: geef doel, bron en formaat

Zeg welke bron leidend is, welke vragen moeten worden beantwoord en wat het model moet schrijven wanneer bewijs ontbreekt. Laat citaten of rijverwijzingen toevoegen voor controle, maar behandel ze niet automatisch als juist.

Stap 4: begrens tools en acties

Geef alleen toegang tot noodzakelijke bestanden, apps en functies. Vraag vooraf menselijke goedkeuring voor verzenden, publiceren, verwijderen, financiële handelingen of andere moeilijk terug te draaien acties.

Stap 5: controleer met een onafhankelijke methode

Open primaire bronnen, herbereken cijfers in de brontool en voer code of tests echt uit. Laat een bevoegde deskundige beslissen bij medische, juridische, financiële, personele of veiligheidskritieke gevolgen.

Stap 6: leg versie en fouten vast

Bewaar prompt, relevante context, product, modelvariant, tools, datum en correcties. Maak van terugkerende fouten een referentietest voor een volgende model- of proceswijziging.

Veelgemaakte fouten

LLM en chatbot als hetzelfde behandelen. Productfuncties, tools en modelversies kunnen afzonderlijk veranderen.
Tokens gelijkstellen aan woorden. Tokenisatie verschilt per tokenizer en invoer.
Een contextvenster als permanent geheugen zien. Context is de werkruimte voor een verwerking, niet automatisch een blijvende feitenopslag.
Prompting fine-tuning noemen. Een prompt verandert de modelparameters niet direct.
Search of RAG als bewijs behandelen. Controleer bronselectie, passage en synthese.
Vloeiende taal met waarheid verwarren. Open de primaire bron en herbereken cijfers.
Een model zelf zijn externe actie laten bevestigen. Controleer het doelsysteem, log of bestand.
Meer context zonder selectie toevoegen. Verwijder ruis, doublures en verouderde versies.

Veelgestelde vragen

Wat is een LLM?

Een LLM, of Large Language Model, is een groot taalmodel dat tokens of tokenreeksen verwerkt en voorspelt. Een generatief decoder-LLM maakt nieuwe tekst door waarschijnlijke vervolgtokens te voorspellen, maar de uitvoer blijft een modeluitkomst die controle kan vereisen.

Is ChatGPT hetzelfde als een LLM?

Nee. Een LLM is het onderliggende modeltype, terwijl ChatGPT een product is dat modellen combineert met een interface en functies zoals bestanden, zoeken of tools. Product en model kunnen afzonderlijk veranderen.

Begrijpt een LLM wat het schrijft?

Een nuttig antwoord bewijst niet dat een model menselijk begrip of bewustzijn heeft. Beschrijf liever wat het model aantoonbaar op een taak kan en controleer de uitkomst met bronnen, tests of een deskundige.

Is een token hetzelfde als een woord?

Nee. Een token kan een heel woord, een deel van een woord, een teken of bij multimodale systemen een andere invoereenheid zijn. Het aantal tokens hangt af van de tokenizer en de concrete invoer.

Kent een LLM automatisch actuele informatie?

Nee. Kennis uit training heeft een grens en kan onvolledig zijn. Een product kan actuele bronnen ophalen met Search, retrieval of andere tools, maar je moet de gevonden bron en de uiteindelijke synthese nog controleren.

Is een groter contextvenster altijd beter?

Nee. Een contextvenster bepaalt hoeveel invoer en uitvoer in één verwerking passen, maar meer tekst kan ook ruis en conflicten toevoegen. Selecteer relevante bronnen en test of belangrijke informatie correct wordt gebruikt.

Hoe gebruik je een LLM veilig voor werk?

Gebruik alleen toegestane gegevens, geef doel en bron duidelijk aan, beperk gekoppelde tools en controleer feitelijke, cijfermatige en externe uitkomsten. Laat gevoelige of moeilijk terug te draaien acties vooraf door een bevoegd persoon goedkeuren.